1. 서 론

전 세계적인 기후 변화로 폭우 빈도가 증가하고 있다^{(Dore, 2005; Trenberth, 2011)}. 기상청 이상기후 보고서에 따르면 1시간 50 mm 이상 집중호우 발생 빈도가 70년대 평균 5.1회에서 2000년대 평균 12.3회로 2.4배 증가하여^{(KMA, 2011, p.59)}, 우리나라에서도 뚜렷한 변화가 확인된다. 폭우는 토사재해의 가장 큰 원인이기 때문에 폭우 빈도 증가는 토석류 위험 증가로 이어진다. 우리나라는 국토에서 산지가 차지하는 비율이 높고 산지 활용도 또한 높아 토석류가 발생하면 큰 피해로 이어지는 경우가 많다. 본 연구는 토석류 피해를 예측하는 기법을 다루고 있다.

기존 토사재해 피해 예측 연구는 시설물의 중요도, 또는 취약성을 평가하는 연구가 주를 이룬다. 이러한 평가에는 AHP (계층분석법, Analytic Hierarchy Process)를 사용한 전문가 설문이 널리 활용되었다. ^{Park and Kim(2015)}은 각 시설물 중요도 평가항목의 우선순위를 결정하기 위해 AHP를 사용한 전문가 설문을 수행하였다. 교량 시설물 평가의 예를 보면, 교통량 항목에 가장 많은 가중치가 부여되고, 우회시설, 안전등급 항목이 그 뒤를 잇는다. ^{Park et al.(2015)}은 시설물이 아닌 지역별 토사재해 취약성을 평가하는 연구를 수행하였다. 역시 평가에 사용된 각 세부지표의 가중치는 AHP 기법을 이용한 전문가 설문 결과에 따라 결정하였다. ^{Choi et al.(2013)}은 건축물의 종류, 면적, 층고, 주차면수 등의 정보를 바탕으로 추정한 예상 재실 인구를 기준으로 토사재해의 인문학적 위험등급을 평가하는 방법을 제안하였다. 다만, 도시지역 건물만을 대상으로 하는 연구로, 전국에 확대 적용하기에는 무리가 있다. 한편, 자연재해대책법은 그 시행령에 비상대처계획을 수립하여야 하는 시설물 목록을 명기하였고, 재난 및 안전관리 기본법은 국가핵심기반의 범위를 제시하고 있다. 자연재난 구호 및 복구 비용 부담기준 등에 관한 규정에서는 재난복구사업시 국고나 지방비를 지원받을 수 있는 대상 목록을 확인할 수 있는데, 이 또한 토석류 피해 예측에 고려되어야 할 사항이다. 토사재해 피해 예측 분야의 기존 연구들을 살펴보면, 시설물의 활용 빈도나 역할로 대변되는 내재적 중요도, 또는 취약성 평가가 주로 이루어졌다. 이러한 연구들은 시설물이 피해를 입었을 때 얼마나 큰 손실로 이어질 것인가를 예측하지만, 실용적인 피해 예측 결과를 얻기 위해서는 시설물이 피해를 입을 가능성이 얼마나 큰가에 대한 예측이 병행되어야 한다. 본 연구는 앞서 기술한 연구들과는 대조적으로, 토석류 시뮬레이션을 통해 구현되는 시설물 외부 조건에 따른 위험도를 예측하는 데 초점을 두고 있다.

흐름 시뮬레이션 소프트웨어는 FLO-2D, RAMMS, Debris-2D와 같이 흐름 물질의 물리적 성질에 기반한 모형이 주를 이루고 있다. 그러나 이러한 모형은 입력 변수의 종류가 다양하고 변수 초기값 예측이 어려운 경우가 많아, 사용자가 접근하기 어려운 단점이 있다^{(Lee et al., 2011)}. 이와 대조적으로, 경사도만을 이용하여 흐름 방향 확률을 결정하는 Random Walk Model (RWM)은 적절한 매개변수가 입력된 물리 기반 모형에 비해 얻을 수 있는 정보가 경로에 한정되고 정확도가 낮다는 단점이 있지만, 알고리즘이 단순하여 구동이 쉽고 공간적 확장이 쉽다. 이러한 장점에 주목하여, 본 연구는 RWM을 활용하여 국내 어디서나 보편적으로 적용할 수 있는 토석류 위험도 평가 체계를 제시하고자 한다. 국내에서는 ^{Lee et al.(2011)}이 경북 봉화군을, ^{Kim et al.(2014)}이 우면산을 대상으로 RWM을 이용한 토석류 시뮬레이션 연구를 수행하였는데, RWM 구동에 필요한 매개변수 최적값은 두 연구에서 다르게 나타났다. ^{Lee et al.(2011)}의 연구에서는 1회 토사량 1.0 ㎥, 정지각 4.2°, 관성가중치 2인 경우에, ^{Kim et al.(2014)}의 연구에서는 1회 토사량 2.5 ㎥, 정지각 8°, 관성가중치 1.1인 경우에 가장 좋은 성과가 나타났다. 스위스 로잔(Lausanne) 대학교에서 개발하여 배포하고 있는 Flow-R은 경사도에 기반하여 위험도를 전파함으로써 토사 경로를 예측하는 소프트웨어로, RWM과 작동 원리가 매우 유사하다. ^{Park et al. (2013)}은 Flow-R을 우면산에 적용하는 연구를 수행하였고, ^{Kang and Kim(2017)}은 다수의 국내 지역을 대상으로 Flow-R 매개변수의 영향을 분석하였다.

2. 연구 방법

서울시 서초구 우면산 일대를 대상으로 연구가 진행되었다(Fig. 1). 이 지역에서는 2011년 7월 폭우로 인한 여러 건의 토석류가 발생하여 건물과 도로에 큰 피해를 주었다. 당시 관심이 집중되었던 재해인 만큼, 사후 진행된 대규모 조사로 많은 자료가 남아있어 연구 대상 지역으로 적합하다.

토석류 시뮬레이션은 RWM을 이용하여 수행하였다. 시설물 정보는 1:5,000 수치지형도 Ver.2.0으로부터 관련 레이어를 추출하여 사용하였다. 1:1,000 지도가 더 많은 정보를 갖고 있지만, 대부분 산지에서 제작되지 않으므로 연구에는 적합하지 않다. 연구 흐름을 정리하면 Fig. 2와 같다. RWM 시뮬레이션 결과와 수치지형도에서 추출한 시설물 레이어를 중첩하여 객체 위험도를 산정하였다.

Fig. 1. Study Area

Fig. 2. Elements of the Research Procedure

3. RWM 토석류 시뮬레이션

RWM 알고리즘은 산사태 예측지점으로부터 일정량의 토사를 한 덩어리씩 인접 셀로 흘려보낸 결과를 시뮬레이션한다. 이때 진행 방향은 Eq. (1)과 같이 $R_{i}$에 따라 결정된다^{(Kim et al., 2014; Lee et al., 2011)}.

여기서, $i$는 중심셀을 기준으로 주변 여덟 방향을 의미하고, $R_{i}$는 흐름이 해당 방향으로 이어질 가능성을 뜻한다. $\theta_{i}$는 경사도이고, $I n_{i}$은 진행방향에 가중치를 적용하기 위한 변수이다. 진행방향 $I n_{i}$은 사용자가 설정한 값이며, 나머지 방향의 $I n_{i}$은 모두 1이다. 모든 방향 $R_{i}$가 계산되면, Eq. (2)와 같이 난수 $U_{i}$를 발생시켜 0보다 크고 $R_{i}$ 합보다 작은 임의의 수 $Nr$을 생성한다.

최종적으로 $Nr$에 따라 다음과 같이 방향이 결정된다.

$Nr<R_{1}$ → 1번 방향

$R_{1}<Nr<R_{1}+R_{2}$ → 2번 방향

$R_{1}+R_{2}<Nr<R_{1}+R_{2}+R_{3}$ → 3번 방향

$R_{1}+R_{2}+R_{3}<Nr<R_{1}+R_{2}+R_{3}+R_{4}$ → 4번 방향

$R_{1}+R_{2}+R_{3}+R_{4}<Nr<R_{1}+R_{2}+R_{3}+R_{4}+R_{5}$ → 5번 방향

$R_{1}+R_{2}+R_{3}+R_{4}+R_{5}<Nr<R_{1}+R_{2}+R_{3}+R_{4}$ $+R_{5}+R_{6}$→ 6번 방향

$R_{1}+R_{2}+R_{3}+R_{4}+R_{5}+R_{6}<Nr<R_{1}+R_{2}+R_{3}+R_{4}$ $+R_{5}+R_{6}+R_{7}$→ 7번 방향

나머지 경우 → 8번 방향

Fig. 3은 우면산 산사태 발생 지점 중 두 곳(A, B)에 기존 RWM을 적용한 시뮬레이션 결과이다. 산사태 발생 지점에서 1 ㎥ 토석류 덩어리를 1,000회 발생시켰으며, 관성 가중치 1.05를 적용하였다. A 경로에서 토석류 경로가 최대 경사선에 지나치게 집중된 모습을 볼 수 있다. 이러한 문제는 경사도가 낮은 경우 방향별 토석류 진행 확률이 경사도에 지나치게 민감한 것에 기인하는 것으로 파악되었다. 본 연구에서는 방향별 토석류 이동 확률(Eq. (1))을 계산할 때 중심셀의 높이를 일정량(dh) 높여서 적용하는 방법을 이용하여 이러한 문제를 개선하였다. 중심셀 높이에 변화를 주는 것은 ^{Horton et al.(2013)}이 Flow-R 알고리즘 개선에 사용한 방법이다. 서론에서 언급하였듯이 Flow-R은 무료로 배포되고 있는 시뮬레이션 알고리즘이며, 이를 이용한 연구도 다수 발표되었다^{(Kang and Kim, 2017; Lee and Kim, 2019; Park et al., 2013)}. Flow-R은 경사도에 따른 확률을 이용한다는 점에서 RWM 유사한 개념을 사용하므로, Flow-R에서 사용한 방법을 차용하여 RWM에 적용하는 실험을 하였다. 개선된 알고리즘을 같은 장소에 적용한 결과는 Fig. 4와 같다. dh가 적용된 경우 토석류 경로가 개선된 것을 볼 수 있고, 특히 dh=1 m일 때 시뮬레이션 결과가 실제 경로와 가장 잘 일치하였다.

Fig. 4에서 원으로 표시된 부분은 다른 지역에 비해 위험도가 높게 시뮬레이션 된 곳이다. Fig. 4(b) 원의 붉은 부분은 경로 누적값이 최대 약 198,000회, Fig. 4(c) 원의 붉은 부분은 최대 약 12,300회인 것으로 나타났다. 토석류 발생횟수가 1,000회이기 때문에 이는 비정상적인 값이고, 이로 인하여 전반적인 위험도 분포가 균형을 잃었다. 시뮬레이션 과정에서 토사가 역류하여 좁은 지역에서 맴도는 것이 원인인 것으로 추정된다. 본 연구에서는 이러한 문제를 해결하기 위해 관성 필터^{(Horton et al., 2013)}를 적용하여 결과를 비교하였다. 관성 필터는 Fig. 5와 같이 중심셀(음영)을 기준으로 진행 방향 셀에 높은 가중치를 부여한다. 필터의 각 셀 값은 Eq. (1)의 $I n_{i}$에 대입되는데, 이로써 관성 가중치가 적용되는 범위를 조절할 수 있고 동시에 특정 방향 흐름을 차단할 수 있다.

중심셀 높이 변화(dh)와 관성 필터 변화에 따른 시뮬레이션 결과는 Figs. 6 and 7과 같다. 필터를 사용하지 않은 경우에 비해, 필터 A, B를 사용하였을 때 고위험 경로(붉은 선)가 최대 경사선을 따라 분포하고 주변으로 갈수록 점차 위험도가 낮아지는 모습을 보여 위험도 분포가 개선되었음을 알 수 있다. 경로 누적값이 1,000회를 초과하는 지점도 나타나지 않았다. 그러나 가장 많은 방향으로의 흐름을 허용하는 필터 C를 사용한 경우에는 고위험 경로가 좁은 지역에 집중되었으며, 경로 누적값이 최대 36,270회에 달하여 개선 효과가 미미한 것으로 나타났다.

Fig. 3. Random Walk Model (RWM) Simulation Result on Mt. Umyeon

Fig. 4. Improved Random Walk Model (RWM) Simulation Results according to dh (Site A in Fig. 3)

Fig. 5. Inertia Filters for the Random Walk Model (RWM) Simulation

Fig. 6. Improved Random Walk Model (RWM) Simulation Results according to dh and Inertia Filter (Site A)

Fig. 7. Improved Random Walk Model (RWM) Simulation Results according to dh and Inertia Filter (Site B)

4. 토석류 피해 예측

4.2 시설물 피해 예측

건물로 대표되는 면 구조 레이어에서는 각 객체와 중첩되는 픽셀을 추출할 수 있다. 건물 레이어를 예로 들면, Fig. 8(a)에서 건물객체 내부 위험도 분포를 확인할 수 있고, 이들의 평균값이 해당 건물의 위험도(Fig. 8(b))가 된다. 픽셀 중심 위치가 건물 폴리곤 내부에 들어오면 건물에 포함되는 것으로 간주한다. 이 과정을 ArcGIS 도구(zonal statistics)를 이용하여 수행하였으며, 산정된 위험도는 건물 레이어 속성정보에 통합시켰다.

우면산 남쪽에 위치한 형촌마을을 대상으로 건물별 토석류 위험도를 평가한 결과는 Fig. 9와 같다. 위험도 등급은 Natural Break 분류법^{(Jenks, 1967)}을 적용하여 상, 중, 하, 위험도 없음의 4단계로 나누었다. 이후 위험도 하 등급의 최저값을 확장하여 최종 등급을 결정하였다. 이는 위험도와 불확실성이 높은 토석류 특성을 고려하여 위험도가 낮은 건물도 피해 대상에 포함시킬 필요가 있다는 판단에 따른 것이다.

면 구조 객체들에 비해 선 구조 객체는 일반적으로 길이가 길다. 따라서 도로와 같은 선 객체는 객체별 위험도보다 객체 부위별 위험도 평가가 필요한 경우가 많다. 본 연구에서는 Fig. 10과 같이 시뮬레이션을 통해 제작된 위험지도(Fig. 10(a))를 이용하여 도로 객체 중 위험이 예상되는 부분을 잘라내는 방법을 이용하였다. 이를 위해 위험지도를 폴리곤으로 변환하였고(Fig. 10(b)), 위험지도 폴리곤과 도로 레이어를 중첩하여 피해가 예상되는 도로를 추출하였다(Fig. 10(c)). 이 과정에서 폴리곤 내부와 외부의 작은 섬들은 제거되었다. Fig. 10(d)의 붉은 폴리라인들이 토석류 피해가 예상되는 도로이다. 도로 레이어 속성정보를 활용하면 Table 2와 같이 너비나 구분에 따른 통계를 낼 수 있다.

Fig. 11은 위와 같은 작업을 평창군 진부면 봉산리 산지에 적용한 영상이다. 그림과 같이 두 지점에서 토석류가 발생할 경우, 건물, 농경지, 도로, 교량이 피해를 입을 것으로 예측되었다. 면 구조를 갖는 농경지와 교량의 피해 예측에는 건물 레이어에 사용한 방법이 그대로 적용되었다. 경작지 5,673 ㎡와 건물 네 채, 그리고 410호 지방도를 포함한 약 211 m 도로가 피해를 입을 것으로 예상된다. 위험도는 낮지만, 모리2교(콘크리트 도로교)도 토석류 피해 범위에 포함된다.

Fig. 8. Damage Prediction for Buildings

Fig. 9. Risk Assessment for Buildings in Hyeongchon Village at the Foot of Mt. Umyeon

Fig. 10. Risk Assessment for Roads in Hyeongchon Village, Mt. Umyeon: (a) Debris Flow Risk Map (Raster), (b) Debris Flow Risk Map (Polygon), (c) Overlaid Layers, and (d) Roads Expected to be Damaged

Fig. 11. Risk Assessment for Facilities in Bongsan-ri, Pyeongchang-gun

Table 2. Statistics of Roads Expected to be Damaged in Hyeongchon Village, Mt. Umyeon

Criteria	Classification	Length (m)	Percentage	Note
Width	Under 12 m	4065.4	63.8
	12–25 m	778.5	12.2
	25–40 m	–	0.0
	40–70 m	1527.7	24.0
Type	Village road	187.8	2.9
	Unclassified	5640.1	88.5	Including expressway 137.2 m
	Path	457.3	7.2
	General national highway	86.4	1.4	Ansan-Cheorwon Road No.47
Pavement	Unpaved	1100.3	17.3
	Paved	5271.3	82.7

* total 6371.6 m

5. 결 론

본 연구는 RWM 토석류 시뮬레이션을 통해 제작된 토석류 위험지도와 수치지형도를 이용하여 시설물이 피해를 입을 확률 즉, 위험도를 평가하는 기법을 제시하고 있다. 이 과정에서 RWM 개선 방안을 제안하였고, 관련 법령을 검토하여 연구에 필요한 레이어를 수치지형도로부터 선택하여 추출하였다. 자료 구조에 따른 위험도 예측 기법을 제시하고 위험도를 속성정보와 결합하여 다양한 출력물을 생성하였다. 산사태 발생에서부터 피해 예상 시설물 출력까지의 체계를 제시하였지만, 단계별 연결 과정에는 해결해야 할 문제들이 남아있다. 먼저, 시뮬레이션 해상도와 피해 예측에 적용되는 해상도 사이의 전환에 대한 논의가 더 필요하다. 기존 연구들을 살펴보면 국내 토석류 시뮬레이션 연구에는 5 m 해상도 DEM을 사용하는 것이 보편적이지만, 피해 예측에 사용되는 토석류 위험지도는 그 이상의 해상도를 갖는 것이 바람직하다. 150 ㎡ 이하 면적을 갖는 작은 건물(주로 일반 주택)들에 5 m 해상도 위험지도를 적용할 경우 픽셀 하나의 영향이 지나치게 크기 때문이다. Fig. 11에서처럼 단일 객체로 추출되는 것이 자연스러운 도로가 조각조각 추출된 경우 이들의 통합 방안, 시설물에 따른 위험도 등급 결정 방법 또한 연구가 더 필요한 부분이다.

수치지형도 속성정보는 유용한 객체 정보를 담고 있다. 특히 건물 레이어 속성정보는 용도, 면적, 층수, 주기 등 상세한 정보를 담고 있어 건물을 파악하는 데 많은 도움이 된다. 그러나 4.1절에 기술한 바와 같이 정부 주요 기관이나 중요한 시설들을 주기로만 구분하고 있는 점은 개선이 필요한 것으로 보인다. 다양한 공간정보를 제공하는 플랫폼이 늘어나고 메타버스, 디지털 트윈 등 가상현실에 대한 관심이 높아짐에 따라 GIS가 보편화되면서 수치지형도 수요도 늘어나고 있다. 이와 더불어 기후변화의 영향이 점차 가시화되면서 방재에 대한 관심 또한 높아지고 있는 흐름을 생각하면, 시설물 중요도를 쉽게 구분할 수 있도록 속성정보 구조를 수정하는 방안도 고려할 만하다.

본 연구는 이해하기 쉬운 시뮬레이션 알고리즘을 사용하고 상세한 위험도 정보를 지도에 표현할 수 있는 기법을 제안하였다. 1회 토사량이나 토사량 발생 횟수 등 RWM 구동에 요구되는 매개변수는 사용자가 이해하기 어렵지 않으므로, 몇 차례 시도를 통해 최적값을 찾는 데 큰 어려움이 없을 것으로 보인다. 또 위험도 평가 결과는 속성정보와 통합되기 때문에 GIS 도구를 이용하여 다양한 표현이 가능하고, 필요한 경우 목록화하거나 각종 통계를 작성할 수도 있다. 이러한 점에서 본 연구가 토석류 위험도 평가 체계를 사용자 친화적으로 발전시키는 데 도움이 될 것이라 기대한다. 또, 토석류뿐 아니라 홍수나 산불과 같은 재해에 대해 위험 지역 또는 피해 지역이 결정되면, 해당 지역의 피해를 예측・파악하는 데에도 본 연구에서 제안한 피해 예측기법이 활용될 수 있다.